Penelitian ini dilaksanakan dengan tujuan untuk mendeteksi dan mengklasifikasikan ujaran kebencian dalam diskursus Rancangan Kitab Undang-Undang Hukum Acara Pidana atau RKUHAP yang bersumber dari media sosial X dan Threads. Perdebatan publik mengenai regulasi hukum tersebut memicu tingginya polaritas opini yang kerap mengandung ujaran kebencian terselubung dalam bentuk sindiran maupun kritik tajam. Data yang digunakan pada penelitian ini berjumlah 6.450 unggahan teks yang dikelompokkan secara bertingkat, yaitu Level 1 untuk deteksi biner ujaran kebencian dan Level 2 untuk lima sub-kategori melalui proses pelabelan terverifikasi. Data dilakukan pembagian menjadi 80% untuk data latih, 10% untuk data validasi, dan 10% untuk data uji. Pada penelitian ini, pengujian model IndoBERT dengan arsitektur Multi-Head Classification dan formulasi Hierarchical Masked Loss menunjukkan performa yang mumpuni dengan tingkat akurasi sebesar 93,95% serta nilai Macro F1 sebesar 78,26% pada Level 1. Pada Level 2, diperoleh tingkat akurasi sebesar 93,33% dengan nilai Macro F1 sebesar 64,98%, serta capaian Composite Macro F1 sebesar 71,62%. Model klasifikasi ini kemudian diintegrasikan ke dalam sebuah sistem antarmuka web berbasis Laravel dan FastAPI agar pengguna dapat memantau serta mendeteksi ujaran kebencian secara praktis dan interaktif. Secara keseluruhan, model IndoBERT terbukti efektif dalam mengenali konteks semantik dan membedakan ujaran kebencian pada diskursus kebijakan publik di media sosial.

Permintaan produk Fast-Moving Consumer Goods (FMCG) di UD Aan Jaya Toko memiliki pola yang kompleks, meliputi tren peningkatan, pola musiman, lonjakan pada hari besar keagamaan, serta fluktuasi akibat operasional dan ketersediaan stok. Kompleksitas ini menuntut kemampuan peramalan yang akurat untuk mendukung optimasi stok barang. Penelitian ini bertujuan mengoptimalkan kinerja model prophet dalam meramalkan permintaan lima produk FMCG (minyak goreng, gula, telur, tepung, dan mi instan sedaap goreng) melalui perbandingan empat konfigurasi pemodelan: model standar, transformasi logaritmik, regresor eksternal, serta kombinasi transformasi logaritmik dan regresor eksternal. Pemodelan dioptimalkan melalui hyperparameter tuning menggunakan grid search pada tiga rasio pembagian data (50:50, 67:33, dan 83:17). Hasil penelitian menunjukkan bahwa rasio pembagian data 83:17 secara konsisten menghasilkan kinerja terbaik. Konfigurasi model dengan regresor eksternal menjadi yang optimal untuk minyak goreng (MAPE 7,40%), gula (MAPE 7,88%), telur (MAPE 7,72%), dan tepung (MAPE 9,00%), sedangkan model kombinasi transformasi logaritmik dan regresor eksternal menjadi yang optimal untuk sedaap goreng (MAPE 8,21%). Seluruh konfigurasi optimal menghasilkan MAPE di bawah 10% (kategori sangat akurat). Model optimal ini selanjutnya diimplementasikan pada sistem berbasis web menggunakan framework Streamlit dengan tingkat keberhasilan black box testing sebesar 93,75% dan User Acceptance Testing (UAT) sebesar 89%.

Pemilihan jenis tanaman untuk taman pada usaha jasa pembuatan taman seperti Sony Nursery umumnya masih dilakukan secara konvensional berdasarkan pengalaman. Proses ini kurang efisien, memakan waktu lama, serta berisiko menghasilkan rekomendasi yang tidak sesuai dengan kondisi lingkungan lahan dan preferensi pelanggan. Penelitian ini bertujuan untuk membangun sistem rekomendasi tanaman taman berbasis website yang terintegrasi dengan kecerdasan buatan guna memberikan rekomendasi secara otomatis, cepat, dan akurat. Metode klasifikasi yang diterapkan adalah Random Forest, yang handal dalam menangani variabel kompleks serta meminimalisir overfitting melalui pendekatan ensemble learning. Tahapan penelitian ini meliputi identifikasi permasalahan, studi literatur, pengumpulan dan persiapan data sebanyak 877 data bersih, pemodelan machine learning, evaluasi model, perancangan sistem, hingga implementasi website berbasis Laravel dan Python (Flask). Berdasarkan hasil pengujian model menggunakan rasio pembagian data train-test 80:20, algoritma Random Forest menghasilkan performa yang baik dengan tingkat akurasi sebesar 78%, presisi 77%, recall 78%, dan F1-score 76%. Pengujian fungsional dengan metode Black Box menunjukkan bahwa seluruh fitur sistem berjalan dengan baik. Selain itu, pengujian User Acceptance Testing (UAT) yang melibatkan 38 responden memperoleh tingkat kepuasan rata-rata sebesar 96%, yang membuktikan bahwa sistem ini mudah diakses,

Pemilihan jurusan perguruan tinggi merupakan hal yang perlu dipertimbangkan siswa sebelum melanjutkan pendidikan. Perbedaan kemampuan akademik, pelajaran favorit, minat, cita-cita, dan preferensi studi menyebabkan setiap siswa memiliki pertimbangan yang berbeda. Penelitian ini bertujuan membangun sistem rekomendasi jurusan berbasis web menggunakan algoritma C4.5 sebagai media pendukung bagi siswa dan Guru BK di SMAN 1 Pasirian. Pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, desain, implementasi, pengujian, dan pemeliharaan. Data training diperoleh dari alumni SMAN 1 Pasirian yang sedang atau telah menempuh pendidikan di Politeknik Negeri Jember, dengan atribut nilai akademik, pelajaran favorit, minat, cita-cita, dan preferensi studi. Algoritma C4.5 digunakan untuk membentuk pohon keputusan dan aturan IF–THEN sebagai dasar pemberian rekomendasi. Pengujian menggunakan Black Box Testing dan User Acceptance Testing (UAT). Hasil Black Box Testing terhadap 25 skenario menunjukkan keberhasilan 100%, sedangkan UAT memperoleh tingkat penerimaan 100?ri Guru BK dan 97,39?ri siswa. Hasil tersebut menunjukkan bahwa sistem dapat digunakan sebagai media pendukung dalam pemberian rekomendasi jurusan berdasarkan karakteristik dan preferensi siswa.

Penelitian ini mengembangkan sistem penerjemah bahasa isyarat berbasis website menggunakan kamera, MediaPipe, dan Convolutional Neural Network (CNN) sebagai media pembelajaran gesture bahasa isyarat. MediaPipe digunakan untuk mendeteksi 21 titik landmark tangan, sedangkan CNN digunakan untuk mengklasifikasikan gesture huruf A sampai Z. Pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem menyediakan fitur pembelajaran gesture, penerjemahan melalui kamera, serta pengelolaan data gesture dan akun pengguna. Hasil pengujian menunjukkan model CNN memperoleh accuracy sebesar 95,53%, loss sebesar 0,1843, serta rata-rata precision, recall, dan F1-score sebesar 96%. Hasil tersebut menunjukkan bahwa sistem dapat membantu masyarakat mempelajari dan mengenali gesture huruf A sampai Z melalui kamera.

Sistem Informasi Absensi Siswa Menggunakan QR Code Berbasis Web, Berdasarkan Kerangka Native, Ari Ananda Puja Kesuma, NIM E31222301, Tahun 2026, Manajemen Informatika, Teknologi Informasi, Politeknik Negeri Jember. Khafidurrohman Agustianto, S.Pd., M.Eng. (Pembimbing). Penelitian ini membahas perancangan dan implementasi sistem informasi absensi siswa berbasis web dengan memanfaatkan teknologi QR Code. Sistem dikembangkan untuk membantu proses pencatatan dan pengelolaan kehadiran siswa agar lebih efektif, efisien, dan terstruktur. Penggunaan QR Code diterapkan sebagai media identifikasi siswa dalam proses absensi sehingga pencatatan kehadiran dapat dilakukan dengan lebih cepat serta mengurangi kemungkinan terjadinya kesalahan dalam pencatatan secara manual.Metode pengembangan sistem yang digunakan adalah Waterfall, yang meliputi tahapan analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Sistem dibangun menggunakan PHP sebagai bahasa pemrograman, MySQL sebagai basis data,serta teknologi web lainnya yang mendukung proses pengembangan sistem. Dalam proses pengembangannya, sistem menggunakan pendekatan Native sehingga aplikasi dibangun tanpa menggunakan framework web utama.Sistem yang dikembangkan menyediakan beberapa fitur utama, antara lain autentikasi pengguna, pengelolaan data siswa, pembuatan dan pemindaian QR Code, pencatatan absensi, pengelolaan data kehadiran, serta penyajian informasi dan laporan absensi siswa. Data absensi yang tersimpan dalam basis data dapat dikelola dan dipantau oleh pengguna sesuai dengan hak akses yang diberikan.Hasil penelitian menunjukkan bahwa sistem informasi absensi siswa menggunakan QR Code berbasis web berhasil diimplementasikan dan dapat digunakan untuk membantu proses pencatatan kehadiran siswa. Sistem mampu menyimpan dan mengelola data absensi secara terstruktur sehingga proses pencatatan menjadi lebih cepat, akurat, dan mudah dipantau. Dengan adanya sistem ini, diharapkan pengelolaan absensi siswa dapat dilakukan secara lebih efektif serta dapat mengurangi ketergantungan terhadap proses pencatatan absensi secara manual.

Proses penyusunan jadwal pembelajaran di Robotku Probolinggo masih dilakukan secara manual sehingga berpotensi menimbulkan bentrok jadwal guru, ruangan, dan kelas serta ketidaksesuaian ketersediaan dan kualifikasi guru. Penelitian ini bertujuan merancang dan mengimplementasikan sistem informasi penjadwalan kursus robotika menggunakan Algoritma Genetika (GA) untuk menghasilkan jadwal sesuai dengan batasan yang diterapkan. Pengujian dilakukan menggunakan metode black box dan pengujian Algoritma Genetika melalui beberapa kombinasi parameter serta 10 kali eksekusi. Hasil pengujian black box menunjukkan tingkat kesesuaian sebesar 100% dari 9 skenario yang diuji oleh 5 penguji. Parameter terbaik yang diperoleh adalah populasi 30, probabilitas crossover (Pc) 0,5, probabilitas mutation (Pm) 0,1, dan maksimum 100 generasi. Pengujian Algoritma Genetika menghasilkan tingkat keberhasilan 70% dalam memperoleh solusi optimal tanpa bentrok, dengan rata-rata fitness sebesar 0,833333. Penerapan early stop menghasilkan rata-rata penghentian pada generasi ke-76,3 dengan waktu eksekusi rata-rata 0,2567 detik. Hasil tersebut menunjukkan bahwa Algoritma Genetika dapat diterapkan untuk membantu penyusunan jadwal kursus Robotku Probolinggo secara otomatis dan menghasilkan solusi jadwal yang optimal.

Plankton identification in Indonesia still relies on manual light-microscope taxonomy, a process that is costly, time-consuming, and difficult to scale across the country’s vast archipelago. Existing web-based platforms such as PlanktonFlow, RAPID, and EcoTaxa were built for temperate waters and do not account for the biogeographical complexity of Indonesia’s tropical seas. This project developed IDmyPlankton, an automated web-based identification system built on EfficientNet-B0 transfer learning combined with a custom data augmentation pipeline simulating Indonesia’s tropical optical conditions. Development followed a Hybrid Agile-Spiral methodology. The model was trained on 581 microscopy images spanning 56 species from nine sampling sites across Western and Eastern Indonesia, collected in collaboration with the National Research and Innovation Agency (BRIN). The system implements a three-tier user architecture with human-in-the-loop verification for low-confidence predictions. The final model achieved a top-1 accuracy of 89.77% and a macro F1-score of 85.98%, a 21.02-percentage-point improvement over the unaugmented baseline. User Acceptance Testing with 63 respondents produced a System Usability Scale score of 82.3 (Excellent) and a 98.4% positive recommendation rate. Limitations include a regional accuracy gap (92.31% Western versus 86.11?stern Indonesia) and a data-splitting issue affecting evaluation independence. The system contributes toward SDG 14 Target 14.a through low-cost marine technology transfer and SDG 4 Target 4.7 through a bilingual educational interface supporting plankton identification skills among Indonesia's coastal communities.